• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于移動(dòng)用戶瀏覽行為的推薦模型

    2017-12-22 03:58:48鄭文韜秦志光
    關(guān)鍵詞:移動(dòng)用戶項(xiàng)集算法

    丁 哲,秦 臻,鄭文韜,秦志光

    ?

    基于移動(dòng)用戶瀏覽行為的推薦模型

    丁 哲,秦 臻,鄭文韜,秦志光

    (電子科技大學(xué)信息與軟件工程學(xué)院 成都 610054; 電子科技大學(xué)網(wǎng)絡(luò)與數(shù)據(jù)安全四川省重點(diǎn)實(shí)驗(yàn)室 成都 610054)

    推薦算法已經(jīng)被廣泛地應(yīng)用于很多領(lǐng)域。但是如果利用傳統(tǒng)的推薦算法預(yù)測(cè)移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為,并在此基礎(chǔ)上對(duì)移動(dòng)用戶進(jìn)行個(gè)性化的內(nèi)容推薦,傳統(tǒng)推薦算法的推薦效果往往比較差。該文通過(guò)分析移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的記錄,得出傳統(tǒng)推薦算法效果差的原因。在此基礎(chǔ)上,提出了一個(gè)基于移動(dòng)用戶瀏覽行為的推薦模型,即RMBDMU。該模型可以對(duì)移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為進(jìn)行預(yù)測(cè),在預(yù)測(cè)的基礎(chǔ)上對(duì)移動(dòng)用戶進(jìn)行內(nèi)容推薦。為了驗(yàn)證推薦模型的有效性,在真實(shí)的移動(dòng)用戶瀏覽互聯(lián)網(wǎng)的行為數(shù)據(jù)上進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示基于移動(dòng)用戶瀏覽行為的推薦模型比傳統(tǒng)的推薦算法更為有效。

    移動(dòng)用戶; 瀏覽行為的預(yù)測(cè); 概率頻繁項(xiàng)集挖掘; 推薦模型

    隨著手機(jī)應(yīng)用的普及,移動(dòng)技術(shù)已經(jīng)成為人們生活中不可或缺的一部分。人們利用手機(jī)通訊、瀏覽網(wǎng)上的信息等,使電商和移動(dòng)運(yùn)營(yíng)商掌握了大量移動(dòng)用戶上網(wǎng)行為的數(shù)據(jù)。如何利用這些數(shù)據(jù)預(yù)測(cè)移動(dòng)用戶的上網(wǎng)行為,并在預(yù)測(cè)的基礎(chǔ)上對(duì)用戶進(jìn)行內(nèi)容推薦成為了學(xué)術(shù)界的研究熱點(diǎn)。目前大部分電商網(wǎng)站,如淘寶、亞馬遜等,都利用所掌握的用戶數(shù)據(jù)為用戶提供產(chǎn)品推薦

    與傳統(tǒng)的用戶購(gòu)買(mǎi)記錄和用戶評(píng)分記錄不同,移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的行為記錄存在很大不確定性。這就導(dǎo)致了傳統(tǒng)的基于用戶購(gòu)買(mǎi)或評(píng)分?jǐn)?shù)據(jù)的推薦算法不適用于基于移動(dòng)用戶瀏覽行為的推薦。移動(dòng)用戶常常為了完成一個(gè)自己相對(duì)陌生的臨時(shí)任務(wù),需要利用手機(jī)在互聯(lián)網(wǎng)上瀏覽大量相關(guān)的信息。當(dāng)這項(xiàng)工作完成以后,該用戶很少瀏覽相關(guān)信息。例如,一個(gè)移動(dòng)用戶去倫敦度假,他會(huì)利用手機(jī)在互聯(lián)網(wǎng)上瀏覽大量關(guān)于倫敦旅游景點(diǎn)的信息。當(dāng)他度假回來(lái),可能就很少關(guān)注倫敦旅游景點(diǎn)的信息。移動(dòng)用戶在互聯(lián)網(wǎng)上的大部分瀏覽行為都是為了完成這種臨時(shí)性的任務(wù)而產(chǎn)生的,所以移動(dòng)用戶瀏覽大部分互聯(lián)網(wǎng)信息的原因并不是自己的興趣,而是這種臨時(shí)的需求,這就導(dǎo)致了移動(dòng)用戶瀏覽行為記錄存在很大的不確定性。所以很難利用傳統(tǒng)的推薦算法發(fā)現(xiàn)用戶真正感興趣的互聯(lián)網(wǎng)信息。為了能夠從移動(dòng)用戶瀏覽行為的記錄中發(fā)現(xiàn)移動(dòng)用戶的興趣,本文提出一種新的基于移動(dòng)用戶瀏覽行為的推薦模型(recommendation model based on mobile user behaviors, RMBDMU)。該模型不僅分析了移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的次數(shù),還分析了移動(dòng)用戶關(guān)注互聯(lián)網(wǎng)信息的天數(shù),從而分析出移動(dòng)用戶的興趣。本文有以下3個(gè)貢獻(xiàn)。

    1) 通過(guò)分析移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的記錄,發(fā)現(xiàn)造成傳統(tǒng)推薦算法無(wú)法有效地應(yīng)用于基于移動(dòng)用戶瀏覽信息推薦的原因。

    2) 提出一種新的基于移動(dòng)用戶瀏覽行為的推薦模型(RMBDMU)。

    3) 在真實(shí)的移動(dòng)用戶瀏覽行為的數(shù)據(jù)上對(duì)提出的推薦模型進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該推薦模型比傳統(tǒng)的推薦算法更為有效。

    1 相關(guān)工作

    最常用的協(xié)同過(guò)濾推薦算法是建立在鄰居模型的基礎(chǔ)上。最早的基于鄰居模型的協(xié)同過(guò)濾推薦算法是基于用戶鄰居的協(xié)調(diào)過(guò)濾推薦算法[1]。如果將基于用戶鄰居的協(xié)同過(guò)濾推薦算法應(yīng)用于電商系統(tǒng),該算法需要大量的計(jì)算量,這就導(dǎo)致了推薦效果較差。為了解決這一問(wèn)題,基于項(xiàng)目鄰居的協(xié)同過(guò)濾算法得到廣泛的應(yīng)用[2-3]。

    基于隱語(yǔ)義模型推薦算法,如奇異分解,也是一種常用的協(xié)同過(guò)濾模型。隱語(yǔ)義模型中,隱因子建立用戶興趣和商品之間的聯(lián)系[4-5]。文獻(xiàn)[6]在SVD中引入了自信度,并提出基于隱反饋的推薦算法。文獻(xiàn)[7]利用價(jià)格之間的聯(lián)系處理推薦算法中的冷啟動(dòng)問(wèn)題。

    頻繁項(xiàng)集挖掘是數(shù)據(jù)挖掘中的一個(gè)重要的分支。1993年,文獻(xiàn)[8]提出了Apriori算法。為了提高項(xiàng)集挖掘的效率,文獻(xiàn)[9]提出了基于FP樹(shù)挖掘算法,基于FP樹(shù)挖掘算法相對(duì)Apriori算法,減少了挖掘頻繁項(xiàng)集的運(yùn)行時(shí)間和所需的空間。雖然Aprior和基于FP樹(shù)挖掘算法得到了廣泛的應(yīng)用,但Apriori算法和基于FP樹(shù)的挖掘算法很難直接應(yīng)用于基于不確定數(shù)據(jù)集的頻繁項(xiàng)集挖掘。在2007年,文獻(xiàn)[10]提出了期望支持度的方法來(lái)計(jì)算項(xiàng)集在不確定數(shù)據(jù)集中的支持度。文獻(xiàn)[11]提出了頻繁概率來(lái)計(jì)算項(xiàng)集在不確定數(shù)據(jù)集中的支持度。本文利用頻繁概率作為頻繁度的度量。文獻(xiàn)[12]提出了一種新的挖掘概率頻繁項(xiàng)集的方法,該方法可以挖掘出由項(xiàng)集組成的集合,包含項(xiàng)集的個(gè)數(shù)最少,但包含的所有頻繁項(xiàng)集的概率很高。而文獻(xiàn)[12]中計(jì)算頻繁概率的方法則是建立在泊松二項(xiàng)分布的相關(guān)理論[13-15]基礎(chǔ)上。

    2 數(shù)據(jù)分析

    本文根據(jù)互聯(lián)網(wǎng)信息的內(nèi)容對(duì)互聯(lián)網(wǎng)信息進(jìn)行分類。由于移動(dòng)用戶瀏覽互聯(lián)網(wǎng)信息的原因很多,并且在一時(shí)間段,移動(dòng)用戶關(guān)注的時(shí)間不一定隨著瀏覽的次數(shù)增加而增加。所以傳統(tǒng)推薦算法很難在瀏覽數(shù)據(jù)中發(fā)現(xiàn)移動(dòng)用戶的興趣。

    2.1 數(shù)據(jù)描述

    本文應(yīng)用的數(shù)據(jù)是31660個(gè)用戶3個(gè)月的智能手機(jī)應(yīng)用程序日志,這些數(shù)據(jù)來(lái)源于網(wǎng)絡(luò)運(yùn)營(yíng)商。當(dāng)智能手機(jī)的應(yīng)用程序訪問(wèn)互聯(lián)網(wǎng)的資源時(shí),就會(huì)生成其訪問(wèn)資源的記錄。所使用的數(shù)據(jù)包括179 954181個(gè)訪問(wèn)記錄,每個(gè)記錄是由表示其用戶ID和被訪問(wèn)互聯(lián)網(wǎng)資源的數(shù)字編碼組成。通過(guò)使用正則表達(dá)式對(duì)不同關(guān)鍵字的匹配,得到了與被訪問(wèn)的互聯(lián)網(wǎng)資源相匹配的主題。本文按照主題對(duì)信息進(jìn)行分類,如體育類、金融類等。通過(guò)分析31660個(gè)移動(dòng)用戶在2013年10月的瀏覽數(shù)據(jù),發(fā)現(xiàn)移動(dòng)用戶的瀏覽特征。

    2.2 關(guān)注時(shí)間分析

    圖1 關(guān)注時(shí)間對(duì)比分析

    通過(guò)分析31660個(gè)移動(dòng)用戶在2013年10月瀏覽網(wǎng)絡(luò)信息的日志,獲得移動(dòng)用戶瀏覽行為的特點(diǎn)。在2013年10月中,不同的關(guān)注天數(shù)的主題占2013年10月關(guān)注所有主題的人均百分比如圖1所示。在圖1中,橫坐標(biāo)表示移動(dòng)用戶對(duì)主題的關(guān)注天數(shù),縱坐標(biāo)表示關(guān)注相應(yīng)天數(shù)的主題數(shù)占2013年10月總關(guān)注主題數(shù)的人均百分比。從圖1可以看出,在10月份,移動(dòng)用戶瀏覽的不同主題的信息,大部分主題只關(guān)注1~3天,即關(guān)注1~3天的主題數(shù)占10份關(guān)注總主題數(shù)的42%。隨著關(guān)注時(shí)間的擴(kuò)大,關(guān)注主題數(shù)急劇下降。當(dāng)關(guān)注時(shí)間大于20天后,關(guān)注的主題數(shù)目趨近于平穩(wěn),約占10月份關(guān)注總主題數(shù)的5%。

    2.3 瀏覽次數(shù)分析

    分析不同關(guān)注天數(shù)的主題的人均瀏覽次數(shù),如圖2所示。通過(guò)分析圖2,可以發(fā)現(xiàn)在2013年10月,移動(dòng)用戶對(duì)主題的瀏覽次數(shù)并不一定隨著關(guān)注時(shí)間的增加而增加。

    圖2 瀏覽次數(shù)對(duì)比

    通過(guò)上述分析,可以得出:1)移動(dòng)用戶關(guān)注大量的互聯(lián)網(wǎng)信息,但是只有很少的一部分是與該用戶的興趣相關(guān)的;2) 在一段時(shí)間之內(nèi),移動(dòng)用戶瀏覽次數(shù)多的互聯(lián)網(wǎng)信息不一定與該用戶的興趣相關(guān)聯(lián)。

    3 推薦模型

    本文提出一個(gè)新的基于移動(dòng)用戶瀏覽行為的推薦模型(RMBDMU)。該模型建立在概率頻繁項(xiàng)集挖掘的基礎(chǔ)上,發(fā)現(xiàn)移動(dòng)用戶對(duì)于不同主題的互聯(lián)網(wǎng)信息的興趣度,然后根據(jù)興趣度的大小,將主題以遞減的方式排序,最后將前個(gè)主題推薦給移動(dòng)用戶。

    為了使模型有更好的推薦效果,本文從兩方面對(duì)第個(gè)主題信息的興趣度的預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化。

    1) 利用用戶鄰居對(duì)用戶的興趣度進(jìn)行優(yōu)化

    如果不同的移動(dòng)用戶具有相似的行為,那么他們的興趣也可能相似,所以利用皮爾森相似度來(lái)對(duì)移動(dòng)用戶行為的相似性進(jìn)行度量,從而發(fā)現(xiàn)每個(gè)移動(dòng)用戶的鄰居用戶,利用鄰居用戶對(duì)用戶的興趣度進(jìn)行優(yōu)化。

    2) 利用主題鄰居對(duì)用戶的興趣度進(jìn)行優(yōu)化

    利用皮爾森相似度,可以找到第個(gè)主題的前個(gè)鄰居,從而利用式(8)得到對(duì)于第個(gè)主題,基于鄰居主題的關(guān)注度。最終利用式(9)優(yōu)化用戶對(duì)第個(gè)主題關(guān)注度。其中是控制權(quán)重的參數(shù)。

    最后關(guān)于用戶對(duì)第個(gè)主題的興趣度,即Interesing()的預(yù)測(cè)結(jié)果是(是控制權(quán)重的參數(shù)):

    4 實(shí)驗(yàn)評(píng)估

    4.1 評(píng)估度量

    本文利用移動(dòng)用戶的人均1值和在測(cè)試集中,移動(dòng)用戶人均瀏覽推薦主題的平均瀏覽次數(shù),對(duì)測(cè)試結(jié)果進(jìn)行評(píng)估。1值是融合了正確率和召回率的指標(biāo),即是準(zhǔn)確率和召回率的調(diào)和平均值[14]。人均1值如式(12)所示,其中表示用戶的人數(shù),Precision表示對(duì)第個(gè)用戶推薦的準(zhǔn)確率,即對(duì)第個(gè)移動(dòng)用戶推薦,并且被該用戶瀏覽的主題占為第個(gè)用戶推薦的全部瀏覽主題的百分比,Recall表示對(duì)第個(gè)用戶推薦的召回率,即對(duì)第個(gè)移動(dòng)用戶推薦,并被該用戶瀏覽的主題占總該移動(dòng)用戶瀏覽總主題數(shù)的百分比。

    4.2 參數(shù)調(diào)節(jié)

    利用2013年10月15日-2013年10月31日的瀏覽數(shù)據(jù)作為訓(xùn)練集,2013年10月1日-2013年10月14日的瀏覽數(shù)據(jù)訓(xùn)練模型中的參數(shù)。

    1) 對(duì)于參數(shù)和參數(shù)的調(diào)節(jié):為了評(píng)估隨著用戶鄰居數(shù)的變化對(duì)模型的推薦效果的影響,設(shè)置為0.1,minsup為1,和為5,的范圍從1~20。實(shí)驗(yàn)結(jié)果顯示當(dāng)大于等于5時(shí),人均1值達(dá)到穩(wěn)定,所以設(shè)置等于5。在評(píng)估主題鄰居數(shù)對(duì)推薦效果的影響時(shí),設(shè)置為0.1,minsup為1,為10,為5,從1~20,實(shí)驗(yàn)結(jié)果顯示當(dāng)≥5時(shí),人均1值達(dá)到穩(wěn)定,設(shè)置為5。

    2) 對(duì)于參數(shù)進(jìn)行調(diào)節(jié),設(shè)minsup為1,、和為5,當(dāng)測(cè)試對(duì)推薦效果的影響時(shí),為0.1,的取值范圍從0.1~1。實(shí)驗(yàn)結(jié)果顯示當(dāng)≥0.7時(shí),人均1值達(dá)到穩(wěn)定,即52.8%,所以設(shè)置為0.7,當(dāng)測(cè)試對(duì)推薦效果的影響時(shí),設(shè)置為0.7,的取值范圍是從0.1~1。實(shí)驗(yàn)結(jié)果顯示當(dāng)≥0.8時(shí),人均1值達(dá)到穩(wěn)定,即55.8%,所以設(shè)置為0.8。

    3) 最大推薦主題數(shù): 為了評(píng)估最大推薦數(shù),設(shè)minsup為1,為0.7,和為5,為0.8,為0.1。的取值范圍是從1~20,隨著的增加,推薦效果有很大的改進(jìn)。當(dāng)≥10,推薦效果達(dá)到穩(wěn)定狀態(tài)。此時(shí)人均1值為53.41%。所以設(shè)的最大值為10。

    4) 參數(shù):為了評(píng)估的變化對(duì)推薦效果的影響,設(shè)為10,為0.7,和為5,為0.8,minsup為1。在實(shí)驗(yàn)中的取值范圍從0.1~1。實(shí)驗(yàn)結(jié)果顯示人均1值隨的增大而增大,當(dāng)等于0.9時(shí),人均1值達(dá)到最大,所以實(shí)驗(yàn)值設(shè)置為0.9。

    5) 最小關(guān)注天數(shù)minsup:為了發(fā)現(xiàn)最小關(guān)注天數(shù)變化對(duì)推薦結(jié)果的影響,設(shè)等于10,為0.7,和為5,為0.8,等于0.9。minsup從1~15。實(shí)驗(yàn)結(jié)果顯示,人均1值隨minsup的增大而增大,當(dāng)minsup≥13時(shí),人均1值達(dá)到穩(wěn)定值。所以設(shè)置minsup為13。

    4.3 實(shí)驗(yàn)結(jié)果分析

    本文有4個(gè)對(duì)比實(shí)驗(yàn),分別是:1) 基于項(xiàng)目鄰居的協(xié)同過(guò)濾推薦算法(collaborative filtering recommendation model based on item neighbors, CFRMIN)。該算法利用皮爾森相似度尋找用戶瀏覽過(guò)的主題的鄰居,然后利用用戶瀏覽過(guò)的主題的鄰居集合去預(yù)測(cè)用戶對(duì)自己瀏覽過(guò)的主題的感興趣程度[6]。2) 基于隱語(yǔ)義模型的推薦算法(rcommendationmodel based on latent factor model, RMLFM)[4]。3) 基于瀏覽次數(shù)的推薦算法(rcommendation model based on browsing times, RMBT),即將所有用戶瀏覽過(guò)的主題按用戶瀏覽次數(shù),以遞減的順序排序,將前個(gè)推薦給用戶。4) 基于用戶關(guān)注天數(shù)的推薦算法(recommendation model based on concerning a number of days, RMCD),即將用戶瀏覽過(guò)的主題按用戶關(guān)注的天數(shù),以遞減的順序排序,將前個(gè)推薦給用戶。

    圖3 第1組實(shí)驗(yàn)的移動(dòng)用戶人均F1值

    本文通過(guò)兩組實(shí)驗(yàn)測(cè)試模型的有效性。1) 利用31660個(gè)移動(dòng)用戶2013年10月日-2013年10月31日的瀏覽數(shù)據(jù)作為訓(xùn)練集。并以2013年11月的瀏覽數(shù)據(jù)作為測(cè)試集,測(cè)試結(jié)果如圖3和圖4所示。2) 訓(xùn)練集和參數(shù)不變,以2013年12月的瀏覽數(shù)據(jù)作為測(cè)試集,測(cè)試結(jié)果如圖5和圖6所示。本文提出的推薦模型(RMBDMU)的實(shí)驗(yàn)效果總體優(yōu)于CFRMIN和RMLFM的實(shí)驗(yàn)效果。正如第2.3節(jié)提到的,首先移動(dòng)用戶關(guān)注的大量信息中,只有很少的一部分是和他的興趣相關(guān)的,其次,在一段時(shí)期,移動(dòng)用戶瀏覽越多的信息,可能不是與其興趣相關(guān)的。所以尋找主題之間的關(guān)系,是非常困難的。CFRMIN和RMLFM都是基于主題之間的相互關(guān)系的,所以效果很差。圖3和圖5中,可以看出當(dāng)?shù)扔?時(shí),RMBDMU的人均1值分別是0.443和0.412。隨著的增大,RMBDMU的人均1值逐漸的增大。當(dāng)大于等于8時(shí),RMBDMU的人均1值到達(dá)穩(wěn)定,分別是0.594和0.591。雖然RMBDMU的人均1值隨著值得增大而增大,但是RMBDMU的人均1值與RMCD和RMBT的人均1值非常接近。這說(shuō)明RMBDMU推薦的主題和RMCD和RMBT推薦給用戶的主題,用戶都有關(guān)注。但是圖4和圖6顯示,用戶人均對(duì)RMBDMU推薦主題的平均瀏覽次數(shù)遠(yuǎn)遠(yuǎn)大于用戶人均對(duì)RMCD和RMBT推薦給用戶主題的平均瀏覽次數(shù)。這說(shuō)明RMBDMU推薦給用戶的主題,用戶的關(guān)注度更高。

    圖4 第1組實(shí)驗(yàn)用戶人均瀏覽推薦主題平均瀏覽次數(shù)

    圖5 第2組實(shí)驗(yàn)的移動(dòng)用戶人均F1值

    圖6 第2組實(shí)驗(yàn)用戶人均瀏覽推薦主題平均瀏覽次數(shù)

    5 結(jié)束語(yǔ)

    本文首先分析傳統(tǒng)推薦算法無(wú)法在移動(dòng)用戶上網(wǎng)瀏覽數(shù)據(jù)上進(jìn)行有效內(nèi)容推薦的原因。然后提出了一種基于移動(dòng)用戶瀏覽行為的推薦模型。通過(guò)在真實(shí)的移動(dòng)用戶瀏覽數(shù)據(jù)上進(jìn)行測(cè)試,實(shí)驗(yàn)驗(yàn)證了模型的有效性。

    [1] HERLOCKER J L, KONSTAN J A, BORCHERS A, et al. An algorithmic framework for performing collaborative filtering[C]//Proceedings of the 22nd Annual International ACM SIGIR Conference on Research and Development in Information Retrieval. Berkeley: ACM, 1999: 230-237.

    [2] SCHAFER J B, DAN F, HERLOCKER J, et al. Collaborative filtering recommender systems[C]//The Adaptive Web, Methods and Strategies of Web Personalization. Berlin, Heidelberg: Spring, 2015: 46-45.

    [3] SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based collaborative filtering recommendation algorithms[C]// Proceedings of the 10th International Conference on World Wide Web. Hong Kong, China: ACM, 2001: 285-295.

    [4] FUNK S. FunkSVD [EB/OL]. (2006-12-11). http:// sifter.org/~simon/journal/20061211.html.

    [5] KOREN Y, BELL R. Advances in collaborative filtering[M]. Recommender Systems Handbook. New York: Springer, 2011.

    [6] HU Y, KOREN Y, VOLINSKY C.Collaborative filtering for implicit feedback datasets[C]//Eighth IEEE International Conference on Data Mining. Pisa: IEEE, 2009: 263-272.

    [7] CHEN J, JIN Q, ZHAO S, et al. Does product recommendation meet its waterloo in unexplored categories: no, price comes to help[C]//Proceedings of the 37th International ACM SIGIR Conference on Research & Development in Information Retrieval. Gold Coast: ACM, 2014:667-676.

    [8] AGRAWAL R SRIKANT R. Fast algorithm for mining association rules[J]. Journal of Computer Science & Technology, 1994, 15(6): 619-624.

    [9] HAN J, KAMBER M, PEI J. Data mining: Concepts and techniques[M]. Netherlands:Elsevier, 2011.

    [10] CHUI C K, KAO B, HUNG E. Mining frequent item sets from uncertain data[J]. 2007, 4426: 47-58.

    [11] LEUNG K S. Uncertain frequent pattern mining[M]. Frequent Pattern Mining. New York: Springer International Publishing, 2014.

    [12] LIU C, CHEN L, ZHANG C. Summarizing probabilistic frequent patterns: a fast approach[C]//ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Chicago: [s.n.], 2013: 527-535.

    [13]BERNECKER T, CHENG R, CHEUNG D W, et al. Model-based probabilistic frequent itemset mining[J]. Knowledge and Information Systems, 2013, 37(1): 181-217.

    [14] WANG L, CHEUNG D W L, CHENG R, et al. Efficient mining of frequent item sets on large uncertain databases[J], IEEE Transactions on Knowledge and Data Engineering, 2012, 24(12): 2170-2183.

    [15] CAM L L. An approximation theorem for the Poisson binomial distribution.[J]. Pacific Journal of Mathematics, 1960, 10(4): 1181-1197.

    編 輯 蔣 曉

    A Recommendation Model Based on Browsing Behaviors of Mobile Users

    DING Zhe, QIN Zhen, ZHENG Wen-tao, and QIN Zhi-guang

    ( School of Information and Software Engineering, University of Electronic Science and Technology of China Chengdu 610054; Network and Data Security Key Laboratory of Sichuan Province, University of Electronic Science and Technology of China Chengdu 610054)

    Recommendation algorithms have been commonly adopted in many fields. However, traditional recommendation algorithms fail to achieve the expected recommendation results if they are applied to predict browsing behaviors of the mobile users and further to recommend personalized content to the mobile users. By analyzing the Internet browsing data of the mobile users, this paper proposes a recommendation model based on browsing data of mobile users, denoted as RMBDMU, to predict the future browsing activities of the mobile users and take them as the bases to recommend contents to the mobile users. An experiment on the Internet browsing behavior data of the real mobile users is conducted to verify the effectiveness of the model. The experiment result shows that the recommendation model based on browsing data of mobile users is more effective than the traditional recommendation algorithms.

    mobile users; prediction of browsing behaviors; probabilistic frequent itemset mining; recommendation model

    TP393

    A

    10.3969/j.issn.1001-0548.2017.06.020

    2016-07-21;

    2016-12-15

    國(guó)家自然科學(xué)基金( 61133016, 61300191, 61202445, 61370026);四川省科技支撐計(jì)劃(2014GZ0106, 2016JZ0020)

    丁哲(1982-),男,博士生,主要從事機(jī)器學(xué)習(xí)、推薦算法和信息安全方面的研究.

    猜你喜歡
    移動(dòng)用戶項(xiàng)集算法
    基于MapReduce的改進(jìn)Eclat算法
    Travellng thg World Full—time for Rree
    進(jìn)位加法的兩種算法
    無(wú)線通信技術(shù)未來(lái)發(fā)展趨勢(shì)分析
    基于預(yù)測(cè)位置的移動(dòng)用戶位置隱私保護(hù)研究
    一種改進(jìn)的整周模糊度去相關(guān)算法
    聯(lián)通4個(gè)月流失移動(dòng)用戶887萬(wàn)
    關(guān)聯(lián)規(guī)則中經(jīng)典的Apriori算法研究
    卷宗(2014年5期)2014-07-15 07:47:08
    一種頻繁核心項(xiàng)集的快速挖掘算法
    用戶對(duì)移動(dòng)網(wǎng)絡(luò)服務(wù)偏好學(xué)習(xí)技術(shù)綜述
    男人舔女人下体高潮全视频| 在线观看一区二区三区| 亚洲精品av麻豆狂野| 亚洲精品国产一区二区精华液| 可以在线观看的亚洲视频| 欧美日韩福利视频一区二区| 成人av在线播放网站| 国产熟女午夜一区二区三区| 男插女下体视频免费在线播放| 久久精品国产亚洲av高清一级| 精品免费久久久久久久清纯| 18禁美女被吸乳视频| 少妇裸体淫交视频免费看高清 | 国产精华一区二区三区| 精品久久久久久久末码| 国模一区二区三区四区视频 | 90打野战视频偷拍视频| 99国产极品粉嫩在线观看| 成人欧美大片| 亚洲无线在线观看| 国产精品免费一区二区三区在线| 亚洲av美国av| 三级毛片av免费| 国产97色在线日韩免费| 日韩有码中文字幕| 成人手机av| av超薄肉色丝袜交足视频| 午夜亚洲福利在线播放| 午夜免费观看网址| 精品人妻1区二区| 妹子高潮喷水视频| 日本免费一区二区三区高清不卡| 亚洲国产高清在线一区二区三| 亚洲av五月六月丁香网| 老司机在亚洲福利影院| 中文亚洲av片在线观看爽| 老司机深夜福利视频在线观看| 老司机深夜福利视频在线观看| 亚洲天堂国产精品一区在线| 蜜桃久久精品国产亚洲av| 精品一区二区三区av网在线观看| 高潮久久久久久久久久久不卡| 精品久久久久久久人妻蜜臀av| 成人一区二区视频在线观看| 国产激情偷乱视频一区二区| 黑人操中国人逼视频| 亚洲在线自拍视频| 成人18禁高潮啪啪吃奶动态图| 久久热在线av| 99久久综合精品五月天人人| www.熟女人妻精品国产| 一级毛片精品| 搡老熟女国产l中国老女人| 一级黄色大片毛片| 黄色 视频免费看| 日韩中文字幕欧美一区二区| 999久久久国产精品视频| 免费看a级黄色片| 欧美av亚洲av综合av国产av| 在线永久观看黄色视频| 黄色视频不卡| 免费观看人在逋| a级毛片在线看网站| 最近在线观看免费完整版| 无人区码免费观看不卡| 性欧美人与动物交配| 级片在线观看| 精品久久久久久久久久免费视频| 一级毛片高清免费大全| 欧美日韩瑟瑟在线播放| 动漫黄色视频在线观看| 三级国产精品欧美在线观看 | 日韩国内少妇激情av| 欧美不卡视频在线免费观看 | 两个人视频免费观看高清| 精品久久久久久久末码| 亚洲成人久久爱视频| 亚洲国产中文字幕在线视频| 最近最新中文字幕大全电影3| 久久久久久久久中文| 国产亚洲精品一区二区www| 色老头精品视频在线观看| 久热爱精品视频在线9| 欧美一区二区精品小视频在线| 国产精品久久久av美女十八| 久久精品aⅴ一区二区三区四区| 国产欧美日韩精品亚洲av| 国产伦人伦偷精品视频| 国产成人精品久久二区二区91| 两性夫妻黄色片| 亚洲人与动物交配视频| 少妇的丰满在线观看| 久久人妻av系列| 黄色毛片三级朝国网站| 免费在线观看视频国产中文字幕亚洲| 全区人妻精品视频| 2021天堂中文幕一二区在线观| 美女高潮喷水抽搐中文字幕| 国产一区二区三区在线臀色熟女| 国产精品久久久久久人妻精品电影| 精品欧美国产一区二区三| 久久久精品国产亚洲av高清涩受| 欧美成人免费av一区二区三区| 久久午夜综合久久蜜桃| 亚洲国产日韩欧美精品在线观看 | 我要搜黄色片| 色综合站精品国产| 51午夜福利影视在线观看| 我要搜黄色片| 国产av又大| 伦理电影免费视频| 一本综合久久免费| 激情在线观看视频在线高清| 久久婷婷成人综合色麻豆| 国产精品影院久久| 日韩欧美一区二区三区在线观看| 一区福利在线观看| 亚洲精品国产精品久久久不卡| av在线天堂中文字幕| 又大又爽又粗| 欧美极品一区二区三区四区| 99热这里只有精品一区 | 亚洲精品久久国产高清桃花| 在线观看免费午夜福利视频| 免费看日本二区| 中文字幕高清在线视频| 色老头精品视频在线观看| 成人av一区二区三区在线看| 美女免费视频网站| 国产蜜桃级精品一区二区三区| 人人妻,人人澡人人爽秒播| 国产av在哪里看| 天堂动漫精品| 一边摸一边抽搐一进一小说| 真人一进一出gif抽搐免费| 欧美日韩亚洲国产一区二区在线观看| 中文字幕最新亚洲高清| 脱女人内裤的视频| 激情在线观看视频在线高清| 日韩欧美 国产精品| av欧美777| 日韩三级视频一区二区三区| 久久人妻福利社区极品人妻图片| 1024视频免费在线观看| 后天国语完整版免费观看| 日本一区二区免费在线视频| 欧美极品一区二区三区四区| 日韩大尺度精品在线看网址| 亚洲自偷自拍图片 自拍| 亚洲av成人一区二区三| 一本大道久久a久久精品| 午夜激情av网站| 国产爱豆传媒在线观看 | 久久久久性生活片| 国产人伦9x9x在线观看| 国产成人精品久久二区二区免费| 亚洲精品一卡2卡三卡4卡5卡| 久久精品人妻少妇| 国产精品av视频在线免费观看| 最近视频中文字幕2019在线8| www.www免费av| e午夜精品久久久久久久| 色尼玛亚洲综合影院| 丁香六月欧美| 少妇熟女aⅴ在线视频| 999久久久精品免费观看国产| 神马国产精品三级电影在线观看 | 国产精品亚洲av一区麻豆| 国产在线精品亚洲第一网站| 50天的宝宝边吃奶边哭怎么回事| 无限看片的www在线观看| 在线观看免费视频日本深夜| 亚洲美女黄片视频| 长腿黑丝高跟| 免费观看人在逋| 精品欧美国产一区二区三| 久久久久性生活片| 日本三级黄在线观看| 欧美日韩国产亚洲二区| 熟女电影av网| 在线视频色国产色| 亚洲国产欧美人成| 国产精品 国内视频| 操出白浆在线播放| 免费在线观看日本一区| 婷婷亚洲欧美| 亚洲一区二区三区色噜噜| 人人妻人人澡欧美一区二区| 色综合亚洲欧美另类图片| 嫩草影院精品99| www.www免费av| 欧美极品一区二区三区四区| 日韩欧美在线乱码| 国产99白浆流出| 亚洲精品久久成人aⅴ小说| 亚洲精品美女久久久久99蜜臀| 男女之事视频高清在线观看| 99精品久久久久人妻精品| 国产片内射在线| 亚洲欧美日韩东京热| 亚洲成人久久性| 亚洲美女视频黄频| 亚洲熟妇熟女久久| 免费搜索国产男女视频| 麻豆成人午夜福利视频| 国产片内射在线| 国产亚洲精品一区二区www| 搡老熟女国产l中国老女人| ponron亚洲| 国内揄拍国产精品人妻在线| 久久久久久久午夜电影| 久久午夜亚洲精品久久| 丰满人妻熟妇乱又伦精品不卡| 脱女人内裤的视频| 精品高清国产在线一区| 婷婷亚洲欧美| 亚洲乱码一区二区免费版| 国产一区二区在线av高清观看| 久久久久久久午夜电影| 国产精华一区二区三区| 别揉我奶头~嗯~啊~动态视频| 少妇的丰满在线观看| www.精华液| 韩国av一区二区三区四区| 精品国产超薄肉色丝袜足j| 日韩 欧美 亚洲 中文字幕| 亚洲无线在线观看| 免费人成视频x8x8入口观看| 国产麻豆成人av免费视频| 精品久久久久久成人av| 国产熟女xx| 很黄的视频免费| 久久国产精品人妻蜜桃| 欧美绝顶高潮抽搐喷水| 两个人的视频大全免费| 久久亚洲精品不卡| 亚洲熟妇熟女久久| 我要搜黄色片| 久久九九热精品免费| 欧美另类亚洲清纯唯美| 波多野结衣巨乳人妻| 在线a可以看的网站| 日韩欧美精品v在线| 视频区欧美日本亚洲| a在线观看视频网站| 老司机福利观看| 一本综合久久免费| 久久欧美精品欧美久久欧美| 美女黄网站色视频| 免费搜索国产男女视频| 免费在线观看亚洲国产| 脱女人内裤的视频| 日本熟妇午夜| 国产精品久久久久久亚洲av鲁大| 深夜精品福利| 99久久无色码亚洲精品果冻| 狂野欧美激情性xxxx| 9191精品国产免费久久| 欧美三级亚洲精品| 久久精品aⅴ一区二区三区四区| 久久久水蜜桃国产精品网| 18禁裸乳无遮挡免费网站照片| 欧美中文综合在线视频| 欧美乱码精品一区二区三区| 三级国产精品欧美在线观看 | 巨乳人妻的诱惑在线观看| 一夜夜www| xxxwww97欧美| 国产av麻豆久久久久久久| 国语自产精品视频在线第100页| 亚洲国产精品sss在线观看| videosex国产| 操出白浆在线播放| 夜夜躁狠狠躁天天躁| 国产爱豆传媒在线观看 | 在线播放国产精品三级| 欧美日本视频| 国产三级在线视频| 国产伦人伦偷精品视频| 国产成人欧美在线观看| 国产亚洲精品一区二区www| 最好的美女福利视频网| 精品久久久久久久毛片微露脸| 午夜精品久久久久久毛片777| 看免费av毛片| 亚洲午夜精品一区,二区,三区| 国产三级中文精品| 亚洲熟妇熟女久久| tocl精华| 亚洲av成人精品一区久久| 动漫黄色视频在线观看| 宅男免费午夜| 一级片免费观看大全| 国产精品永久免费网站| 国产精品亚洲一级av第二区| 国产精品一及| 给我免费播放毛片高清在线观看| 午夜成年电影在线免费观看| 一二三四在线观看免费中文在| 美女大奶头视频| 91av网站免费观看| 桃色一区二区三区在线观看| 亚洲一区二区三区不卡视频| 精品人妻1区二区| 免费观看人在逋| 女人被狂操c到高潮| 韩国av一区二区三区四区| 2021天堂中文幕一二区在线观| 90打野战视频偷拍视频| 国产成人av教育| 亚洲av成人一区二区三| 婷婷精品国产亚洲av在线| 露出奶头的视频| 国产精品美女特级片免费视频播放器 | 麻豆成人av在线观看| av在线播放免费不卡| 最近最新中文字幕大全免费视频| 少妇的丰满在线观看| 免费无遮挡裸体视频| 亚洲国产精品sss在线观看| 亚洲av第一区精品v没综合| 国产v大片淫在线免费观看| 欧美激情久久久久久爽电影| 精华霜和精华液先用哪个| 制服丝袜大香蕉在线| 成年女人毛片免费观看观看9| 亚洲欧美精品综合一区二区三区| 久久婷婷人人爽人人干人人爱| www.www免费av| 久久久精品大字幕| 久久精品人妻少妇| 舔av片在线| 久久精品国产99精品国产亚洲性色| 两性午夜刺激爽爽歪歪视频在线观看 | 舔av片在线| 国产v大片淫在线免费观看| 不卡av一区二区三区| 精品久久久久久,| 精品国产乱码久久久久久男人| 欧美黄色淫秽网站| 99久久99久久久精品蜜桃| 亚洲精品一区av在线观看| 少妇裸体淫交视频免费看高清 | 人妻丰满熟妇av一区二区三区| 一进一出抽搐gif免费好疼| 国产三级黄色录像| aaaaa片日本免费| 国产免费男女视频| 欧美日本亚洲视频在线播放| 久久中文字幕一级| 久久久久国产一级毛片高清牌| 国产黄片美女视频| 国产精品久久久人人做人人爽| 久久99热这里只有精品18| 亚洲av电影在线进入| 精品熟女少妇八av免费久了| 精品久久久久久久人妻蜜臀av| 亚洲av成人不卡在线观看播放网| 午夜福利免费观看在线| 最新在线观看一区二区三区| 黄色毛片三级朝国网站| 天天躁夜夜躁狠狠躁躁| 亚洲狠狠婷婷综合久久图片| 夜夜夜夜夜久久久久| 国产成人精品久久二区二区免费| 午夜影院日韩av| 黄片小视频在线播放| a级毛片在线看网站| xxxwww97欧美| 99精品在免费线老司机午夜| 亚洲电影在线观看av| 日韩三级视频一区二区三区| 香蕉国产在线看| 波多野结衣巨乳人妻| 午夜影院日韩av| 51午夜福利影视在线观看| 国产亚洲欧美98| 欧美不卡视频在线免费观看 | 免费在线观看成人毛片| 免费在线观看视频国产中文字幕亚洲| 村上凉子中文字幕在线| 母亲3免费完整高清在线观看| 国产激情久久老熟女| 日本成人三级电影网站| 91麻豆精品激情在线观看国产| 精品欧美国产一区二区三| 国产亚洲精品综合一区在线观看 | 蜜桃久久精品国产亚洲av| 久久精品91蜜桃| 九九热线精品视视频播放| 国产成人欧美在线观看| 日韩精品中文字幕看吧| 精品国产美女av久久久久小说| 欧美色视频一区免费| 亚洲国产欧美网| 国产高清激情床上av| 最近在线观看免费完整版| 欧美乱色亚洲激情| 日韩精品免费视频一区二区三区| 久9热在线精品视频| 欧美乱码精品一区二区三区| 国产免费av片在线观看野外av| 真人一进一出gif抽搐免费| 9191精品国产免费久久| 午夜福利欧美成人| 欧美乱妇无乱码| 欧美日韩亚洲国产一区二区在线观看| 久久国产精品影院| 床上黄色一级片| 欧美中文日本在线观看视频| 久热爱精品视频在线9| 天堂√8在线中文| 亚洲一区高清亚洲精品| 国产精品乱码一区二三区的特点| 国产私拍福利视频在线观看| aaaaa片日本免费| 久久国产精品影院| 亚洲国产欧美人成| 少妇的丰满在线观看| 亚洲国产高清在线一区二区三| 深夜精品福利| 一进一出抽搐动态| 一本大道久久a久久精品| 黄片小视频在线播放| 热99re8久久精品国产| 手机成人av网站| 亚洲精品美女久久av网站| 97超级碰碰碰精品色视频在线观看| 一二三四在线观看免费中文在| 欧美性猛交黑人性爽| 国产aⅴ精品一区二区三区波| 午夜免费成人在线视频| 日韩高清综合在线| 国产免费男女视频| 久久久久久久久久黄片| 在线看三级毛片| 久久香蕉精品热| 一个人免费在线观看电影 | 久久热在线av| 丁香欧美五月| 1024手机看黄色片| 亚洲国产日韩欧美精品在线观看 | 久久久精品大字幕| 亚洲国产精品999在线| 亚洲国产欧美一区二区综合| 99久久99久久久精品蜜桃| 宅男免费午夜| 可以免费在线观看a视频的电影网站| 国产亚洲av高清不卡| 欧美日韩亚洲综合一区二区三区_| 久久热在线av| 欧美av亚洲av综合av国产av| 一进一出抽搐动态| 又紧又爽又黄一区二区| 深夜精品福利| 亚洲成av人片免费观看| 波多野结衣巨乳人妻| 草草在线视频免费看| 一级片免费观看大全| 美女扒开内裤让男人捅视频| 老汉色∧v一级毛片| 国产av一区二区精品久久| 国产精华一区二区三区| 看黄色毛片网站| 久久精品国产清高在天天线| 国产日本99.免费观看| 欧美日韩精品网址| 国产高清激情床上av| tocl精华| 国产精品久久久久久久电影 | 一边摸一边抽搐一进一小说| 亚洲中文日韩欧美视频| 男人舔女人下体高潮全视频| 日本一二三区视频观看| 观看免费一级毛片| 亚洲 欧美 日韩 在线 免费| 男女之事视频高清在线观看| 久久婷婷成人综合色麻豆| 亚洲av第一区精品v没综合| 亚洲欧美日韩高清在线视频| www日本黄色视频网| 色精品久久人妻99蜜桃| 中文资源天堂在线| 免费高清视频大片| 在线观看免费午夜福利视频| 国产精品野战在线观看| 中文字幕人成人乱码亚洲影| 精品欧美国产一区二区三| 久久久久久久久中文| 日韩 欧美 亚洲 中文字幕| 亚洲国产精品成人综合色| 亚洲国产日韩欧美精品在线观看 | 99热这里只有精品一区 | 亚洲国产欧美网| 99热只有精品国产| 校园春色视频在线观看| 国产亚洲精品第一综合不卡| 在线观看日韩欧美| 日本黄色视频三级网站网址| 久久久久久久精品吃奶| 91在线观看av| 亚洲精品粉嫩美女一区| 中出人妻视频一区二区| 我的老师免费观看完整版| 亚洲欧美一区二区三区黑人| 中文字幕高清在线视频| 欧美黄色片欧美黄色片| 亚洲国产精品久久男人天堂| 搡老岳熟女国产| 狂野欧美白嫩少妇大欣赏| 亚洲电影在线观看av| 午夜福利在线观看吧| 手机成人av网站| 九色成人免费人妻av| 成人18禁高潮啪啪吃奶动态图| 欧美在线黄色| 国产日本99.免费观看| 国内少妇人妻偷人精品xxx网站 | 桃红色精品国产亚洲av| 欧美日韩精品网址| 午夜亚洲福利在线播放| 啦啦啦韩国在线观看视频| 日韩精品免费视频一区二区三区| 在线观看免费日韩欧美大片| 精品国产乱子伦一区二区三区| 国产真人三级小视频在线观看| 亚洲成a人片在线一区二区| 日韩欧美 国产精品| 嫁个100分男人电影在线观看| 国产亚洲精品一区二区www| 90打野战视频偷拍视频| 怎么达到女性高潮| 免费在线观看完整版高清| 中文字幕最新亚洲高清| 18禁黄网站禁片免费观看直播| 三级毛片av免费| 成人av一区二区三区在线看| 久久性视频一级片| 白带黄色成豆腐渣| 一个人免费在线观看电影 | 亚洲人成网站高清观看| 亚洲激情在线av| svipshipincom国产片| 男人舔女人下体高潮全视频| 免费看日本二区| 亚洲精品在线观看二区| 美女 人体艺术 gogo| 日本免费一区二区三区高清不卡| 午夜福利视频1000在线观看| 中文亚洲av片在线观看爽| 又大又爽又粗| 国产乱人伦免费视频| 国产成人精品无人区| 91在线观看av| 成在线人永久免费视频| 色综合婷婷激情| 视频区欧美日本亚洲| 亚洲av中文字字幕乱码综合| 久久久久久国产a免费观看| 亚洲av中文字字幕乱码综合| 国产一区二区激情短视频| 成人欧美大片| 国产亚洲欧美在线一区二区| 国产精品野战在线观看| 久久久水蜜桃国产精品网| 99精品在免费线老司机午夜| 天堂√8在线中文| 国产探花在线观看一区二区| 亚洲精品国产精品久久久不卡| 国产av麻豆久久久久久久| 久久久水蜜桃国产精品网| 窝窝影院91人妻| 中文字幕人妻丝袜一区二区| 淫妇啪啪啪对白视频| 国产亚洲欧美在线一区二区| 国产精品野战在线观看| 黄色视频不卡| 日日夜夜操网爽| 视频区欧美日本亚洲| 日日夜夜操网爽| 国产黄a三级三级三级人| 国产精品野战在线观看| 亚洲精品国产精品久久久不卡| 黄色毛片三级朝国网站| 淫秽高清视频在线观看| 韩国av一区二区三区四区| 国内毛片毛片毛片毛片毛片| 不卡av一区二区三区| 岛国在线免费视频观看| 午夜激情av网站| 国模一区二区三区四区视频 | 国产精品亚洲一级av第二区| 1024视频免费在线观看| 精品不卡国产一区二区三区| 国产成人影院久久av| 变态另类成人亚洲欧美熟女| 色精品久久人妻99蜜桃| 国产亚洲精品久久久久久毛片| 国产成人影院久久av| 国产亚洲av高清不卡| 成年人黄色毛片网站| 老熟妇仑乱视频hdxx| 狂野欧美白嫩少妇大欣赏| 午夜免费成人在线视频| 欧美成人免费av一区二区三区| 男人舔女人下体高潮全视频| 成人亚洲精品av一区二区| 他把我摸到了高潮在线观看| 成人18禁高潮啪啪吃奶动态图| 国产高清视频在线观看网站| 久久 成人 亚洲| 久久中文字幕人妻熟女| 欧美精品啪啪一区二区三区| 亚洲精华国产精华精| 妹子高潮喷水视频|